围绕以twitter为代表英语文本进行分析

编者按：自然语言处理（NLP）是数据科学研究的一个温床，它最常见的应用之一是情感分析。从民意调查到指定整个营销策略，现在，这种技术已经完全重塑了企业的工作方式，这也是为什么每个数据科学家都要对它有所了解的原因之一。

本文将围绕以twitter为代表英语文本进行分析，在文中，我们会逐步介绍常规情感分析所需的一系列步骤：从数据预处理开始，到探索文本数据，再到结合上下文产生理解，然后从数据中提取数字特征，并最终用这些特征集来训练模型，使它具备识别情感的能力。

理解任务目标

实践是检验真理的唯一标准，它同样也是学习的一个好方法。为了让读者更贴近教程，这里我们选用Analytics Vidhya上的一个竞赛任务：Twitter情感分析。里面包含下文使用的数据集。

在开始任务前，我们先来读读任务描述，理解任务目标：

这项任务的目的是检测推文中的仇恨言论。为了简单起见，这里我们只把包含种族主义和性别歧视的推文视为仇恨言论，因此，任务目标是从给定推文中分类出包含种族主义、性别歧视观点的推文。

任务提供的训练样本有其相应的分类标签，其中标签“1”表示推文包含种族主义/性别歧视观点，标签“0”则是不包含。我们的目标是用训练集训练模型，让它在测试集上准确预测推文标签。

推文预处理和清洗

当我们进行探索时，电脑中的新问题就像现实生活中的陌生环境，我们对它一无所知，但它却处处包含我们所需的信息。

上图是两个办公室，一个凌乱不堪，一个整洁有序，你觉得自己在哪儿能更快找到文档呢？这不是我们自己的房间，所以毫无疑问的，第二个。同理，如果我们的数据能以结构化的格式排列，模型也能更容易从中找到正确信息。

数据预处理是我们面对任何问题时必不可少的一步，在这个任务中，我们要做的是清除和推文情感不怎么相关的各种噪声，比如标点符号、特殊字符、数字和表示语气的词。这些内容在文本上下文中没有太大权重，再加上我们之后要提取数字特征，去除这些内容有助于之后获得质量更高的特征空间。

首先，我们检查数据，并加载必要的库：

import re

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

importstring

import nltk

import warnings

warnings.filterwarnings("ignore", category=DeprecationWarning)

%matplotlib inline

train  = pd.read_csv('train_E6oV3lV.csv')

test = pd.read_csv('test_tweets_anuFYb8.csv')

记得检查一下训练集的前几行，看看有没有问题：

train.head（）

可以看到，数据一共有三列：id、标签和推文文本。标签是二进制目标变量，而推文包含我们将清洗和预处理的文字。以下是数据预处理的几个要求：

为了照顾隐私，数据集把用户名一致标记为@user，这个句柄对推文内容毫无用处，需要删除。

文中的标点符号、特殊字符和数字也没有多大含义，也起不到区分作用，需要删除。

对于情感分析，一些非常短的词也没有实际价值，比如“pdx”“his”“all”，需要删除。

一旦我们执行了上述三个步骤，我们就可以将每个推文分成单个单词或词例，这是任何NLP任务中必须的步骤。

第4条推文中出现了一个“love”，考虑到其他推文中可能会出现类似的“loves”“loving”“lovable”，我们可以把它们都缩成词根“love”，减少数据中唯一单词的总数，同时也不会丢失大量信息。

1. 删除推文句柄@user

如上所述，推文包含许多Twitter句柄（@user），我们需要删掉它们。为了方便起见，这个步骤可以结合训练集和测试集，把两边的句柄同时删掉，防止之后进行重复操作。

combi = train.append(test, ignore_index=True)

下面是我们定义的函数，用于删除推文中不需要的内容。它有两个参数，一个是原始文本字符串，另一个是要从字符串中删去的内容：

def remove_pattern(input_txt, pattern):

r = re.findall(pattern, input_txt)

for i in r:

input_txt = re.sub(i, '', input_txt)

return input_txt

接着，我们可以创建一个新的列tidy_tweet，用它存储清洗后的推文：

#remove twitter handles（@user）

combi [ 'tidy_tweet' ] = np.vectorize（remove_pattern）（combi [ 'tweet' ]，“@ [ w] *” ）

2. 删除标点符号、数字和特殊字符

之前提到了，标点符号、数字和特殊字符也没有多大用处，所以在删除句柄时，我们可以一并把它们处理了：

# remove special characters, numbers, punctuations

combi['tidy_tweet'] = combi['tidy_tweet'].str.replace("[^a-zA-Z#]", " ")

3. 删除短词

同理，一些过短的单词也是我们的删除目标，但执行这一步时我们要小心，因为有些包含意义的单词本身也很短。经过综合评判，最后我们把长度为3及以下的词语统统删去：

combi['tidy_tweet'] = combi['tidy_tweet'].apply(lambda x: ' '.join([w for w in x.split() if len(w)>3]))

处理完毕后，我们需要回过头来重新检查数据集的前几行，看看有没有错误。

combi.head()

如上图所示，我们可以明显看出原始推文和tidy_tweet之间的区别，后者删除了大量不必要的噪声，只保留重要单词。

4. 分词

现在，我们已经对数据完成清洗，接下来就是在本文中标记出单独的单词或词例，所谓分词就是把文本切分成一个个单独的词的过程。

tokenized_tweet = combi['tidy_tweet'].apply(lambda x: x.split())

tokenized_tweet.head()

5. 提取词干

词干是词的一部分，由词根和词缀构成，放在我们的任务中，就是把英文单词的后缀“ing”“ly”“es”“s”等剥离。

from nltk.stem.porter import *

stemmer = PorterStemmer()

tokenized_tweet = tokenized_tweet.apply(lambda x: [stemmer.stem(i) for i in x]) # stemming

tokenized_tweet.head()

推文中单词的可视化理解

到目前为止，我们已经完成对数据的预处理，之后就是探索这些数据，从中获得重要理解。在开始探索前，结合任务目标，我们可能会产生一些新的问题：

整个数据集中出现频率最高的单词是哪个？

仇恨言论和非仇恨言论推文中，出现频率最高的单词又分别是哪个？

一条推文中有几个词例？

哪种趋势和数据集本身有关？

哪种趋势和这两种言论有关？它们和相应情感相符吗？

1. 找出推文中的常用词：WordCloud

为了查看单体在整个训练集中的分布情况，一种可行的方法是绘制WordCloud图，这是一种可视化形式，能把出现频率较高的词放大，把出现频率最高的较低的词缩小。

all_words = ' '.join([text for text in combi['tidy_tweet']])

from wordcloud importWordCloud

wordcloud = WordCloud(width=800, height=500, random_state=21, max_font_size=110).generate(all_words)

plt.figure(figsize=(10, 7))

plt.imshow(wordcloud, interpolation="bilinear")

plt.axis('off')

plt.show()

如上图所示，大多数单词是积极的或中立的，其中“happy”“love”最为常见，从它们身上我们找不到和仇恨言论有关的内容。所以接下来，我们会为标签为“1”和“0”的两类数据单独绘制WordCloud，并以此查看词频分布情况。

2. 非种族主义/性别歧视推文中的单词

normal_words =' '.join([text for text in combi['tidy_tweet'][combi['label'] == 0]])

wordcloud = WordCloud(width=800, height=500, random_state=21, max_font_size=110).generate(normal_words)

plt.figure(figsize=(10, 7))

plt.imshow(wordcloud, interpolation="bilinear")

plt.axis('off')

plt.show()

和之前一样，大多数词是积极的或中立的，其中“happy”“smile”“love”最常见。

3. 种族主义/性别歧视推文的单词

negative_words = ' '.join([text for text in combi['tidy_tweet'][combi['label'] == 1]])

wordcloud = WordCloud(width=800, height=500,

random_state=21, max_font_size=110).generate(negative_words)

plt.figure(figsize=(10, 7))

plt.imshow(wordcloud, interpolation="bilinear")

plt.axis('off')

plt.show()

我们可以清楚地看到，大多数词语都有负面含义。这正好是一个非常出色的文本数据，之后我们可以基于它在twitter数据中添加主题标签/趋势。

4. 主题标签对推文情感的影响

twitter里的主题标签#就相当于国内社交平台的话题，表示推文包含某个特定时间点的热搜内容。这是文本中一项重要内容，我们可以利用这些标签探索它们和推文情感的关系。

例如，下面是我们数据集中的一条推文：

这段内容涉及性别歧视，而它的主题标签也传达了同样的意思。我们把这些标签放进两类推特文本的表格中，看看这些内容的出现情况。

# function to collect hashtags

def hashtag_extract(x):

hashtags = []

# Loop over the words in the tweet

for i in x:

ht = re.findall(r"#(w+)", i)

hashtags.append(ht)

return hashtags

# extracting hashtags from non racist/sexist tweets

HT_regular = hashtag_extract(combi['tidy_tweet'][combi['label'] == 0])

# extracting hashtags from racist/sexist tweets

HT_negative = hashtag_extract(combi['tidy_tweet'][combi['label'] == 1])

# unnesting list

HT_regular = sum(HT_regular,[])

HT_negative = sum(HT_negative,[])

非种族主义/性别歧视推文

a = nltk.FreqDist(HT_regular)

d = pd.DataFrame({'Hashtag': list(a.keys()),

'Count': list(a.values())})

# selecting top 10 most frequent hashtags    

d = d.nlargest(columns="Count", n = 10)

plt.figure(figsize=(16,5))

ax = sns.barplot(data=d, x= "Hashtag", y = "Count")

ax.set(ylabel = 'Count')

plt.show()

非种族主义/性别歧视推文出现频率较高的主题标签都是积极的、正面的，这不难理解。那么我们来看看种族主义/性别歧视推文中的情况。

种族主义/性别歧视推文

b = nltk.FreqDist(HT_negative)

e = pd.DataFrame({'Hashtag': list(b.keys()), 'Count': list(b.values())})

# selecting top 10 most frequent hashtags

e = e.nlargest(columns="Count", n = 10)  

plt.figure(figsize=(16,5))

ax = sns.barplot(data=e, x= "Hashtag", y = "Count")

ax.set(ylabel = 'Count')

plt.show()

正如预期的那样，大多数标签都是负面的，也有一些中性标签。所以我们把这些主题标签保留下来是个明确的选择，它们确实包含区分仇恨言论和非仇恨言论的关键信息。

从推文中提取特征

如果要分析预处理数据，首先我们要把它们转换为特征。现在，构建文本特征的方法有很多，比如词袋模型、TF-IDF和词嵌入。在这个问题下，我们主要介绍前两种方法。

1. 词袋特征

词袋（Bag of Words，简称BoW）是一种统计某个词在一份文档中出现次数的算法，统计所得的词频数据可以用于比较文档并测量其相似性。假设我们手头有一个语料库C {d1,d2…..dD}（D个文本），它包含N个唯一词例（单词），那么它的词袋矩阵大小M就等于N×D。矩阵M中的每一行包含文档D(i)中的词例出现频率。

让我们用一个直观的例子来理解这一点。假设我们有两个文本：

D1：He is a lazy boy. She is also lazy.

D2：Smith is a lazy person.

它们包含的唯一词例是[‘He’,’She’,’lazy’,’boy’,’Smith’,’person’]，所以D=2，N=6，矩阵M=2×6，也就是：

上述矩阵中的列可用作构建分类模型的特征，当然，提到词袋，首选sklearn，它的CountVectorizer函数可以直接创建词袋特征。我们设max_features = 1000，取词频排名前1000的词例。

from sklearn.feature_extraction.text importCountVectorizer

bow_vectorizer = CountVectorizer(max_df=0.90, min_df=2, max_features=1000, stop_words='english')

# bag-of-words feature matrix

bow = bow_vectorizer.fit_transform(combi['tidy_tweet'])

2. TF-IDF特征

这是另一种基于词频的方法，它和词袋方法的不同之处在于它不仅考虑单个文档（或推文）中单词的出现次数，而且考虑整个语料库。

虽然是基于词频，但TF-IDF测量的是相关性，而非频率。首先，它会统计某一特定文档中的词的出现次数，但是，由于“and”、“the”之类的词所有文档中都频繁出现，这些词的频率需要调整。这就是逆文档频率的部分。出现某一个词的文档数量越多，这个词作为信号的价值就越小。这样做的目的是仅留下独特的高频词用作标记。每个词的TF-IDF相关性是一种归一化的数据格式，总和也是1。

TF：词例t出现在文档中的次数/文档词例总数

IDF = log(N/n)，其中N是文档总数，n是文档中词例t出现的次数

TF-IDF = TF×IDF

from sklearn.feature_extraction.text importTfidfVectorizer

tfidf_vectorizer = TfidfVectorizer(max_df=0.90, min_df=2, max_features=1000, stop_words='english')

# TF-IDF feature matrix

tfidf = tfidf_vectorizer.fit_transform(combi['tidy_tweet'])

模型构建：情感分析

现在，数据已经处理好了，数据的数字特征也已经被提取出来，最后就是用逻辑回归构建模型。

1. 用词袋特征构建模型

from sklearn.linear_model importLogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import f1_score

train_bow = bow[:31962,:]

test_bow = bow[31962:,:]

# splitting data into training and validation set

xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(train_bow, train['label'], random_state=42, test_size=0.3)

lreg = LogisticRegression()

lreg.fit(xtrain_bow, ytrain) # training the model

prediction = lreg.predict_proba(xvalid_bow) # predicting on the validation set

prediction_int = prediction[:,1] >= 0.3# if prediction is greater than or equal to 0.3 than 1 else 0

prediction_int = prediction_int.astype(np.int)

f1_score(yvalid, prediction_int) # calculating f1 score

输出：0.525。

这个模型的F1 score是0.525，我们把它放到测试集上进行预测：

test_pred = lreg.predict_proba(test_bow)

test_pred_int = test_pred[:,1] >= 0.3

test_pred_int = test_pred_int.astype(np.int)

test['label'] = test_pred_int

submission = test[['id','label']]

submission.to_csv('sub_lreg_bow.csv', index=False) # writing data to a CSV file

得分：0.537。

2. TF-IDF特征

train_tfidf = tfidf[:31962,:]

test_tfidf = tfidf[31962:,:]

xtrain_tfidf = train_tfidf[ytrain.index]

xvalid_tfidf = train_tfidf[yvalid.index]

lreg.fit(xtrain_tfidf, ytrain)

prediction = lreg.predict_proba(xvalid_tfidf)

prediction_int = prediction[:,1] >= 0.3

prediction_int = prediction_int.astype(np.int)

f1_score(yvalid, prediction_int)

输出：0.538，最终得分：0.547，比起词袋特征有所改善。

以上就是twitter情感分析模型构建的全部教程，希望本文对你有帮助。